随着web社交网络的盛行,多媒体信息爆炸式增长,如何从海量图片数据库中快速、准确地查询到与指定图片示例相关的图像,成为目前亟待解决的问题。这一任务不仅有广泛的应用需求,也能为其他计算机视觉任务中数据集的自动构建提供支持。示例图像检索技术的关键在于:使用尽可能小的内存空间,存储具有强描述能力、能够表达图像视觉和语义特征的编码向量。研究图像特征的编码方式能够充分发挥人工智能的优势,提高检索效率,获得更高效、更精准的检索结果。本文的主要研究内容如下:1.提出了一种基于无监督聚类和空间加权的特征表示方法。首先通过聚类区分数据集特征的类别,对不同的类别分别设置空间权重,以调整高维空间中同类样本的分布;同时对局部特征和全局特征进行融合,加强图像特征表示的可区分度,提高检索的准确率和召回率。2.提出了一种基于LSTM的上下文感知图像特征表示方法,有效地模拟图像局部信息的空间相对位置关系,同时在特征表示中加入有关空间相对位置的编码信息,挖掘全局特征的空间关系,获得描述能力更强的特征表示。3.设计了一种新的图像重排技术方案。根据初排结果的相似度分布,自适应选择相似度阈值,对每个示例图像分别筛选准确的检索样本进行补足,并与基于数据扩散的扩展方式相结合,获得更稳定的重排效果,达到校正检索结果的目的。所提出的算法在Oxford5k、Paris6k等公开数据集上进行实验,结果验证了算法的有效性。